WISER·E.ON, 양자 머신러닝 기반 전력 수요 예측 연구 완료

연구 배경과 문제 설정

복수의 상관된 전력 소비 시계열을 동시에 예측하는 다출력(multi-output) 예측 문제는 에너지 운영의 핵심 난제다. 비선형 동역학, 다중 계절성, 시계열 간 강한 상관관계가 맞물려 전통적 통계 모델의 한계를 드러내며, 범용 머신러닝은 대규모 데이터와 연산 자원을 필요로 한다. WISER와 E.ON은 NISQ(잡음이 있는 중간 규모 양자) 환경에서 양자 커널·양자 저수지 컴퓨팅 기법이 이 문제에 실질적으로 기여할 수 있는지를 검토했다.

두 가지 하이브리드 접근법

연구팀은 상호 보완적인 두 모델을 구성했다. KQRC-RM(반복 측정 기반 커널화 양자 저수지 컴퓨팅)은 순환적 양자 동역학과 반복 측정을 결합해 소규모 고객 집합 내 시간적 패턴과 시계열 간 상관관계를 포착하는 방식이다. QGP(투영 양자 커널 가우시안 프로세스)는 하드웨어 효율을 높인 투영 양자 커널을 적용해 더 많은 고객 집합에 대한 다출력 예측을 지원하도록 설계됐다. 두 모델은 시뮬레이터와 실제 IBM 양자 하드웨어 양쪽 환경에서 평가됐다.

성능 측정 결과

소규모 벤치마크 실험에서 QGP는 고전 다출력 가우시안 프로세스 대비 평균 절대오차(MAE)를 시뮬레이터 환경에서 62.01%, 실제 하드웨어에서 40.37% 줄였다. KQRC-RM은 에코 상태 네트워크(Echo State Network)와 커널 능형 회귀 조합 대비 시뮬레이터에서 MAE를 36.92% 감소시켰다. 100큐비트 규모로 확장한 대형 실험에서는 전체 103명의 고객 중 80%가 낮음 또는 중간 수준의 오차 범주에 포함됐다.

하드웨어 노이즈와 현실적 한계

두 모델 모두 시뮬레이터와 실제 하드웨어 간 성능 격차가 나타났으며, KQRC-RM은 하드웨어 노이즈에 더 민감하게 반응했다. 이는 현재 NISQ 하드웨어의 잡음 수준이 알고리즘 성능에 직접적 영향을 미친다는 점을 재확인한다. 연구팀은 하드웨어 특성을 반영한 알고리즘 설계를 실용화의 필수 요건으로 꼽았다. 시뮬레이터와 하드웨어 결과 간 40~60%포인트 격차는 현재 단계에서 완전한 양자 우위보다 구조화된 특정 과제에서의 부분적 성능 우위를 확인하는 수준임을 보여준다.

에너지 산업 적용 전망

이번 결과는 재생에너지 통합, 부하 균형 등 예측 정밀도가 요구되는 에너지 운영 분야에 양자 머신러닝이 실험적으로 적용될 수 있음을 보여준다. 다만 103가구 익명화 데이터셋이라는 제한된 규모와 선별된 고전 기준 모델 대비 비교라는 조건을 고려해야 한다. 상용 도입으로 이어지려면 더 광범위한 데이터셋 검증과 하드웨어 성숙이 함께 진행될 필요가 있다.